Fizyczna AI open source: jak LeRobot demokratyzuje robotykę

TL;DR. Na szczycie The Economist o fizycznej AI w Londynie Pepijn Kooijmans pokazał, jak LeRobot, otwarte modele bazowe i ramiona za 200 USD obniżają bariery w robotyce.

Kluczowe wnioski

Od planowania ruchu do uczenia przez naśladowanie: zmiana architektury. W swoim studium przypadku Open for business: how open source is accelerating physical AI (Otwarci na biznes: jak open source przyspiesza fizyczną AI) Pepijn Kooijmans opisał swoją drogę od klasycznej mechatroniki do…
Wewnątrz multimodalnej architektury VLA. Podczas wystąpienia Kooijmans szczegółowo pokazał sieć neuronową typu end-to-end, która napędza nowoczesne otwarte polityki fizycznej AI, i zilustrował, jak wielowymiarowe dane percepcyjne przekładają się na płynną…
Porównanie techniczne: klasyczna automatyzacja a otwarta fizyczna AI. Źródło: Analiza danych z prezentacji, testów technicznych i demonstracji na żywo z Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Londyn, 13 października 2026).
Co to oznacza dla poszczególnych sektorów. Rozwój otwartej, rozwijanej przez społeczność fizycznej AI zmienia rachunek ekonomiczny w wielu branżach.

Przez sześć dekad robotyka przemysłowa działała według bezlitosnego paradygmatu: inżynier jawnie programuje każdy milimetr ruchu maszyny za pomocą własnościowych języków, panelów programowania i sztywnych solverów kinematycznych. Jeśli obrabiany element przesunie się o pięć milimetrów albo zmieni się oświetlenie, robot zgłasza błąd. Na Economist Enterprise Physical AI and Robotics Summit w Londynie 13 października 2026 roku Pepijn Kooijmans, lider LeRobot w Hugging Face, przedstawił alternatywną architekturę, która rozmontowuje to dziedzictwo: „Przyszłe roboty nie będą programowane zadanie po zadaniu. Będą się uczyć”.

Od planowania ruchu do uczenia przez naśladowanie: zmiana architektury #

W swoim studium przypadku Open for business: how open source is accelerating physical AI (Otwarci na biznes: jak open source przyspiesza fizyczną AI) Pepijn Kooijmans opisał swoją drogę od klasycznej mechatroniki do uczenia głębokiego. Przez dziesięciolecia robotyków uczono dzielić manipulację na odrębne, izolowane podproblemy: segmentację obiektów, estymację pozy 6D, transformacje układów współrzędnych, planowanie trajektorii z omijaniem kolizji oraz sterowanie PID silnikami przegubów.

Taki analityczny podział sprawdza się w sztywno oprzyrządowanych fabrykach samochodów, gdzie części trafiają do stalowych przyrządów z mikronową precyzją, ale załamuje się w istniejących zakładach przemysłowych, laboratoriach, magazynach i domach. W prawdziwym świecie obiekty się odkształcają, powierzchnie nieprzewidywalnie odbijają światło, a ludzie pracujący obok tworzą ruchome przeszkody.

Podstawowa teza Hugging Face brzmi: fizycznej zręczności nie da się określić analitycznie za pomocą ręcznie pisanych reguł; trzeba ją nabyć przez doświadczenie. Tak jak duże modele językowe (LLM) nauczyły się gramatyki, rozumowania i wiedzy o świecie, przewidując kolejny token w ogromnych korpusach tekstu, tak fizyczni agenci AI nabywają umiejętności ruchowe, ucząc się rozkładu działań warunkowanego obserwacjami wizualnymi i sensorycznymi.

Przejście od programowania każdego ruchu do uczenia przez ludzką demonstrację oznacza wejście robotyki w erę modeli bazowych.

Wewnątrz multimodalnej architektury VLA #

Podczas wystąpienia Kooijmans szczegółowo pokazał sieć neuronową typu end-to-end, która napędza nowoczesne otwarte polityki fizycznej AI, i zilustrował, jak wielowymiarowe dane percepcyjne przekładają się na płynną fizyczną manipulację.

Architektura wizja-język-działanie typu end-to-end z Hugging Face LeRobot pokazująca tokeny wizualne SigLIP, wektor stanu przegubów, polecenie językowe, uwagę krzyżową Gemma VLM oraz Action Expert oparty na flow matching, generujący 30 skoordynowanych działań przegubów .class="img-fluid clearfix"

Architektura działa jak ściśle zintegrowany, multimodalny potok sensomotoryczny:

1. Percepcyjne przyjmowanie wielu strumieni #

Robot obserwuje swoją przestrzeń roboczą przez kilka zsynchronizowanych strumieni z kamer (zwykle kamerę bazową z góry, która zapewnia kontekst przestrzenny, oraz kamery na nadgarstkach lewego i prawego manipulatora do precyzyjnego śledzenia kontaktu).

Surowe strumienie pikseli trafiają do zamrożonego transformera wizyjnego SigLIP (400M parametrów), który zamienia klatki wideo na gęste tokeny wizualne bez kosztownych obliczeniowo aktualizacji gradientu w całym szkielecie wizyjnym podczas dostrajania polityki.

2. Kinematyczny wektor stanu i warunkowanie zadania #

Równocześnie system próbkuje wewnętrzny stan proprioceptywny robota: 16-wymiarowy wektor obejmujący 7 kątów przegubów, prędkości i rozwarcie chwytaków obu manipulatorów.

Użytkownik podaje cel operacyjny w dowolnym poleceniu w języku naturalnym (na przykład "fold the t-shirt", "pick the M8 hex bolt and place it in the bracket" albo "route the cable through the conduit"), które zostaje stokenizowane do standardowych osadzeń tekstowych.

3. Multimodalny rdzeń uwagi krzyżowej (Gemma VLM) #

Tokeny wizualne, proprioceptywny wektor stanu i tokeny tekstowe trafiają do modelu wizyjno-językowego Gemma (2B parametrów). Zamiast po prostu generować tokeny tekstowe, Gemma VLM wykonuje głęboką uwagę krzyżową między wszystkimi trzema modalnościami, łącząc ogólny zamiar semantyczny polecenia z geometrią przestrzenną sceny i chwilową konfiguracją mechaniczną ramienia.

Wynikiem tego połączonego modelu bazowego jest gęsta reprezentacja cech zadania z VLM, która ujmuje, co trzeba zrobić w odniesieniu do tego, gdzie znajdują się obiekty.

4. Action Expert: flow matching i polityki dyfuzyjne #

Cechy z VLM trafiają bezpośrednio do Action Expert (300M parametrów) działającego na zasadzie flow matching. W odróżnieniu od wczesnych metod uczenia przez naśladowanie opartych na naiwnej regresji z błędem średniokwadratowym (MSE), która sprawia, że modele zwracają średnią sprzecznych demonstracji i prowadzą do niezdecydowanych, zastygłych robotów, flow matching modeluje multimodalny rozkład ludzkich trajektorii działania.

Wykorzystując równania różniczkowe przepływu wyprostowanego rozwiązywane w dziesięciu krokach całkowania numerycznego, Action Expert odszumia szum gaussowski do spójnej trajektorii 30 przyszłych działań przy częstotliwości sterowania 50 Hz.

5. Action chunking z uśrednianiem czasowym #

Przewidując 30 kolejnych kroków czasowych (podejście znane jako action chunking), polityka eliminuje szarpnięcia o wysokiej częstotliwości i wąskie gardła opóźnień. Robot wykonuje pierwszy pakiet działań, obliczając w tle kolejny plan, co daje płynny, podatny i ciągły ruch o jakości biologicznej.

Porównanie techniczne: klasyczna automatyzacja a otwarta fizyczna AI #

Miara / wymiar architektury	Klasyczna robotyka przemysłowa (ROS / PLC / panel programowania)	Własnościowa zamknięta fizyczna AI (stosy humanoidów dostawców)	Otwarta fizyczna AI (stos Hugging Face LeRobot)
Paradygmat rozwoju	Proceduralny; jawne trajektorie przegubów i maszyny stanów skończonych	Uczenie głębokie end-to-end; czarna skrzynka z zamkniętymi wagami; zablokowane API w chmurze	VLA end-to-end; otwarte wagi, otwarte zbiory danych i otwarte pętle treningowe w PyTorch
Próg wejścia sprzętowy	30 000–100 000+ GBP za ramię przemysłowe (KUKA, FANUC, ABB)	150 000–350 000+ GBP za własnościową jednostkę humanoidalną	Od mniej niż 200 USD do 1500 USD dzięki drukowanym w 3D otwartym projektom sprzętu (SO-100, Koch)
Odporność na otoczenie	Zawodzi natychmiast, gdy współrzędne części przesuną się o milimetry	Wysoka adaptacyjność, ale zachowania nie da się zbadać ani poprawić lokalnie	Wysoka adaptacyjność wizualna; polityki można dostrajać lokalnie na węzłach brzegowych hali produkcyjnej
Format danych i telemetria	Własnościowe formaty binarne i rejestry PLC zablokowane przez dostawcę	Własnościowa szyfrowana telemetria w chmurze	Ustandaryzowane zbiory danych Apache Parquet, strumienie wideo MP4 i Hugging Face Hub
Uogólnianie zadań	Brak; każda nowa geometria komponentu wymaga pełnego ręcznego przeprogramowania	Szerokie deklaracje co do zadań, ale powolna adaptacja do nietypowego oprzyrządowania	Szybka adaptacja dzięki 50–100 ludzkim demonstracjom nagranym na zestawach lider-naśladowca
Wymagania sprzętowe inferencji	Dedykowany PLC lub przemysłowy komputer z Linuksem czasu rzeczywistego	Ogromne pokładowe klastry GPU pobierające od 300 do 800 W	Inferencja na konsumenckim krzemie brzegowym (pojedynczy RTX 4070 lub Apple Silicon serii M)

Źródło: Analiza danych z prezentacji, testów technicznych i demonstracji na żywo z Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Londyn, 13 października 2026).

Co to oznacza dla poszczególnych sektorów #

Rozwój otwartej, rozwijanej przez społeczność fizycznej AI zmienia rachunek ekonomiczny w wielu branżach.

Małe i średnie przedsiębiorstwa (MŚP) #

MŚP odpowiadają za ponad 80% mocy produkcyjnych Europy i Wielkiej Brytanii, a mimo to historycznie mniej niż 5% z nich było stać na automatyzację. Wdrożenie przemysłowej celi automatyzacji wymagało zatrudnienia wyspecjalizowanych integratorów systemów, płacenia sześciocyfrowych opłat licencyjnych za oprogramowanie i wstrzymania pracy hali na czas instalacji.

Dzięki ekosystemowi LeRobot MŚP produkujące nietypowe precyzyjne wsporniki może wydrukować w 3D dwuramienne stanowisko SO-100 za mniej niż 500 GBP, wyposażyć je w kamery USB za 40 GBP i nagrać pięćdziesiąt demonstracji pracownika ładującego części do frezarki CNC za pomocą wydrukowanego w 3D ramienia prowadzącego. Po trzech godzinach dostrajania na zwykłym komputerze biurkowym otwarta polityka potrafi samodzielnie obsługiwać maszynę, a inwestycja zwraca się w ciągu kilku tygodni.

Badania akademickie i szkolnictwo wyższe #

Do niedawna uczelniane wydziały robotyki stały przed egzystencjalnym podziałem: dobrze finansowane laboratoria mogły sobie pozwolić na platformy Boston Dynamics lub Willow Garage, a mniejsze instytucje były skazane na czyste symulacje w Gazebo lub MuJoCo.

Otwarta fizyczna AI zdemokratyzowała fizyczne eksperymenty. Doktoranci na całym świecie mogą budować identyczne platformy sprzętowe, udostępniać wytrenowane punkty kontrolne polityk w Hugging Face Hub i odtwarzać wyniki testów porównawczych ze statystyczną rzetelnością. Kooijmans podkreślił, że repozytorium LeRobot w ciągu kilku miesięcy rozrosło się z garstki europejskich współtwórców do tysięcy aktywnych robotyków na całym świecie, co dowodzi, że otwarty dostęp przyspiesza empiryczną weryfikację szybciej niż zamknięte korporacyjne silosy.

Montaż kontraktowy o dużej różnorodności i małych wolumenach #

W montażu elektroniki i wyrobów medycznych warianty produktów zmieniają się co tydzień. Zakodowane na sztywno linie automatyzacji są nieopłacalne, bo koszty przezbrojenia i przeprogramowania przewyższają marżę z serii produkcyjnej.

Polityki wizja-język-działanie usuwają to ograniczenie dzięki warunkowaniu zadania językiem naturalnym. Operator może zmienić procedurę montażu, po prostu wpisując nowe polecenie albo pokazując dwa powtórzenia nowego podzespołu. Mechanizmy uwagi krzyżowej modelu wykorzystują wstępnie wytrenowane reprezentacje wizualne, by rozpoznać nowe komponenty bez ponownego trenowania całej sieci neuronowej.

Przełamanie muru danych: teleoperacja, Parquet i modele świata #

Kluczowy wniosek, który Kooijmans przekazał liderom biznesu, brzmi: głównym wąskim gardłem fizycznej AI nie jest już pojemność modeli, lecz różnorodność demonstracji.

W przetwarzaniu języka naturalnego modele trenowano na bilionach tokenów zebranych z otwartej sieci. W robotyce fizycznej nie istnieje gotowy „internet fizycznej manipulacji”. Każdą demonstrację chwytaka podnoszącego przedmiot, obracającego zawór czy składającego tkaninę trzeba nagrać w świecie fizycznym za pomocą teleoperacji wyposażonej w czujniki.

Hugging Face LeRobot mierzy się z tym wyzwaniem poprzez trzy główne inicjatywy:

Zestawy teleoperacji lider-naśladowca: Dzięki tanim, drukowanym w 3D pasywnym ramionom „lidera” z enkoderami magnetycznymi, które mechanicznie odwzorowują aktywnego robota „naśladowcę”, operatorzy mogą bez wysiłku sterować robotem zdalnie w czasie rzeczywistym, jednocześnie rejestrując kąty przegubów, prędkości i wideo z wielu ujęć.
Ustandaryzowane schematy zbiorów danych Parquet: Demonstracje są pakowane do ustandaryzowanych, wydajnych tabel Apache Parquet powiązanych z podzielonymi na fragmenty strumieniami wideo MP4. Pozwala to standardowym narzędziom inżynierii danych (Polars, DuckDB, PyArrow) przetwarzać terabajty telemetrii robotów z dużą szybkością.
Sim-to-real i wzbogacanie modelami świata: Aby wyjść poza ograniczenia fizycznej teleoperacji, otwarte modele świata uczą się generatywnej dynamiki fizycznej. Po wytrenowaniu na podstawowym zbiorze rzeczywistych demonstracji modele świata symulują miliony scenariuszy kontrfaktycznych (zmienne oświetlenie, dodany bałagan, zmienione tarcie stołu) bezpośrednio w przestrzeni ukrytej, testując polityki pod obciążeniem przed wdrożeniem w świecie rzeczywistym.

Podsumowanie #

Prezentacja Hugging Face LeRobot na Economist Enterprise Physical AI and Robotics Summit uwypukliła decydujący punkt zwrotny w branży robotyki. Era, w której robotyka wymagała wielomilionowych budżetów kapitałowych w funtach, własnościowych języków programowania i sztywnych klatek fabrycznych, ustępuje miejsca otwartemu, opartemu na współpracy i danych ekosystemowi.

Łącząc multimodalne modele bazowe wizyjno-językowe z action chunking opartym na flow matching i przystępnym otwartym sprzętem, otwarta fizyczna AI przekształca roboty z kruchych automatów w adaptacyjne, uczące się systemy. Dla liderów inżynierii i kadry kierowniczej ds. technologii strategiczny nakaz jest jednoznaczny: przewaga konkurencyjna nie będzie już wynikać z posiadania własnościowego sprzętu mechanicznego, lecz z opanowania potoków danych, procesów zbierania demonstracji i modeli bazowych, które uczą maszyny panować nad światem fizycznym.

Najczęściej zadawane pytania #

Czym jest Hugging Face LeRobot? Hugging Face LeRobot to otwarty framework i inicjatywa społeczności, których celem jest demokratyzacja robotyki i fizycznej AI. Zapewnia oparte na PyTorch implementacje najnowocześniejszych algorytmów uczenia przez naśladowanie, ustandaryzowane formaty zbiorów danych, wstępnie wytrenowane modele bazowe wizja-język-działanie (VLA) oraz otwarte projekty sprzętu (takie jak SO-100), aby obniżyć finansowe i techniczne bariery wejścia do robotyki.

Czym uczenie przez naśladowanie różni się od klasycznego programowania robotów? Klasyczne programowanie robotów wymaga, by inżynier pisał jawny kod proceduralny określający dokładne współrzędne kartezjańskie, rozwiązania kinematyki odwrotnej i przejścia między stanami za pomocą paneli programowania lub skryptów ROS. Uczenie przez naśladowanie natomiast trenuje sieci neuronowe, by naśladowały ludzkie zachowanie na podstawie nagranych demonstracji, w których ludzie wykonują zadanie za pomocą teleoperacji, i uczy się polityki odwzorowującej obserwacje sensoryczne bezpośrednio na polecenia silnikowe.

Jaką rolę odgrywa Gemma VLM w potoku fizycznej AI? W nowoczesnych architekturach fizycznej AI model wizyjno-językowy Gemma (VLM) pełni rolę multimodalnego silnika rozumowania. Przyjmuje tokeny wizualne z kamer (zakodowane przez SigLIP), wektor stanu przegubów robota i polecenia w języku naturalnym. Dzięki uwadze krzyżowej łączy zamiar semantyczny z geometrią wizualną, tworząc wysokopoziomowe reprezentacje zadania, które kierują Action Expert.

Czym jest flow matching w przewidywaniu działań robota? Flow matching to technika modelowania generatywnego pokrewna ciągłym przepływom normalizującym i modelom dyfuzyjnym. W robotyce przekształca prosty szum gaussowski w złożone, multimodalne trajektorie działań, rozwiązując równania różniczkowe zwyczajne w wielu krokach. Pozwala to robotowi radzić sobie w niejednoznacznych sytuacjach, w których istnieje kilka poprawnych ruchów, i unikać artefaktów uśredniania, przez które prostsze modele regresyjne zawodzą.

Czy drukowane w 3D ramiona robotyczne za mniej niż 200 USD mogą wykonywać zadania na poziomie produkcyjnym? Ramiona za mniej niż 200 USD, takie jak SO-100, nie mają udźwigu, sztywności konstrukcji ani submilimetrowej powtarzalności potrzebnych do ciężkiej obróbki w przemyśle lotniczym, ale w pełni nadają się do delikatnej manipulacji, inspekcji, obsługi cieczy w laboratorium i kompletowania drobnych części. Co ważniejsze, polityki wytrenowane i zweryfikowane na tych tanich platformach można przenieść bezpośrednio na przemysłowe ramiona robotów współpracujących przy minimalnym dostrojeniu.

Bibliografia #

Economist Enterprise, (2026). Physical AI & Robotics Summit: przewaga operacyjna dzięki systemom autonomicznym ⧉. Economist Enterprise.
Kooijmans, P., (2026). Otwarci na biznes: jak open source przyspiesza fizyczną AI ⧉. Hugging Face.
Hugging Face, (2026). LeRobot: najnowocześniejsze uczenie maszynowe dla rzeczywistej robotyki w PyTorch ⧉. GitHub.
Chi, C., Xu, Z., Feng, S., Cousineau, E., Du, Y., Burchfiel, B. i Song, S., (2024). Diffusion Policy: uczenie polityk wizualno-ruchowych przez dyfuzję działań ⧉. Columbia University & MIT.
Zhao, T. Z., Kumar, V., Levine, S. i Finn, C., (2023). Uczenie precyzyjnej manipulacji oburęcznej na tanim sprzęcie ⧉. Stanford University.
Zhai, X., Mustafa, B., Kolesnikov, A. i Beyer, L., (2023). Sigmoidalna funkcja straty w pretreningu językowo-obrazowym (SigLIP) ⧉. Google DeepMind.
Lipman, Y., Chen, R. T. Q., Ben-Hamu, H., Nicklas, M. i Le, M., (2023). Flow matching w modelowaniu generatywnym ⧉. Meta AI Research.

Ostatnia weryfikacja 2026-10-13.

Ostatnia weryfikacja 2026-10-27.

Opublikuj ponownie ten artykuł

Fizyczna AI open source: jak LeRobot demokratyzuje robotykę — Sebastien Rousseau

Na szczycie The Economist o fizycznej AI w Londynie Pepijn Kooijmans pokazał, jak LeRobot, otwarte modele bazowe i ramiona za 200 USD obniżają bariery w robotyce.

Ten artykuł jest objęty licencją Creative Commons Attribution 4.0 International. Ponowna publikacja wymaga przypisania do kanonicznego adresu URL.

Fizyczna AI open source: jak LeRobot demokratyzuje robotykę — Sebastien Rousseau

Na szczycie The Economist o fizycznej AI w Londynie Pepijn Kooijmans pokazał, jak LeRobot, otwarte modele bazowe i ramiona za 200 USD obniżają bariery w robotyce.

Originally published at https://sebastienrousseau.com/pl/2026-10-13-fizyczna-ai-open-source-jak-lerobot/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER